Hadoop札记：使用Python编写wordcount程序

尝试着用3台虚拟机搭建了伪分布式系统，完整的搭建步骤等熟悉了整个分布式框架之后再写，今天写一下用python写wordcount程序（MapReduce任务）的具体步骤。

MapReduce任务以来HDFS存储和Yarn资源调度，所以执行MapReduce之前要先启动HDFS和Yarn。我们都知道MapReduce分Map阶段和Reduce阶段，这就需要我们 自己写Map阶段的处理方法和Reduce阶段的处理方法。

MapReduce也支持除Java之外的其他语言，但要依赖流处理包（Hadoop-streaming-2.7.4.jar），处理包不需要自己下载，hadoop本身带的就有，hadoop2.7的在hadoop-2.7.4/share/hadoop/tools/lib目录下，知道它所在的目录是因为只执行MapReduce命令的时候要指定hadoop-streaming-2.7.4.jar的位置。

接下来就是用python写Map的处理逻辑和Reduce的处理逻辑。wordcount是词频统计，要处理的原文本文件要上传到HDFS上，流程是原文本以流式方式传到Map函数，Map函数处理之后把结果传到Reduce函数，整个处理完后结果会保存在HDFS上，流式处理可以理解成文本一行一行的在原文件、Map函数、Reduce函数、结果文件之间流动处理。

原文本：

hello world
hello hadoop hadoop
nihao world
hello mapreduce

Map方法代码：

#!/usr/bin/python
import sys<br>
for line in sys.stdin:
    line = line.strip()
    words = line.split(' ')
    for word in words:
        print('%s\t%s'%(word,1))

Reduce方法代码：

#!/usr/bin/python
import sys
 
current_count = 0
current_word = None
 
for line in sys.stdin:
    line = line.strip()
    word, count = line.split('\t', 1)
    count = int(count)
    if current_word == word:
        current_count += count
    else:
        if current_word:
            print "%s\t%s" % (current_word, current_count)
 
        current_count = count
        current_word = word

代码的逻辑都很简单，从标准输入按行读取处理数据，每行处理完print打印。

先在shell上测试一下：

#cat word.txt | ./mapper.py | sort

hadoop  1
hadoop  1
hello  1
hello  1
hello  1
mapreduce  1
nihao  1
world  1
world  1

sort是行之间按单词首字母排序，在MapReduce上sort过程hadoop会处理。

如果没有sort，结果是这样的：

#cat word.txt | ./mapper.py 

hello  1
world  1
hello  1
hadoop  1
hadoop  1
nihao  1
world  1
hello  1
mapreduce  1

#cat word.txt | ./mapper.py | sort |./reducer.py

hadoop  2
hello  3
mapreduce  1
nihao  1

测试完没问题后就可以用MapReduce来执行了。

输入命令：

hadoop jar hadoop-streaming-2.7.4.jar \

-input /wordcount/word.txt \

-output /wordcount/out \

-mapper /home/hadoop/apps/hadoop-2.7.4/file/wordcount_python/mapper.py \

-reducer /home/hadoop/apps/hadoop-2.7.4/file/wordcount_python/reducer.py

命令解释：

第一行是指明用到的streaming包的位置，第二行指明原文件在HDFS上的路径，第三行是输出结果在HDFS上的路径，输出路径原来不能存在，已存在的话会报错，第四行和第五行指明Map方法和Reduce方法程序路径。

mapper.py和reduce.py需要加上执行权限，chmod +x mapper.py，它们两个py文件不用放在HDFS上，放在本地即可。

执行后就会开启MapReduce任务，配置没问题的话就不会报错，执行完成后会在MapReduce上生成/wordcount/out目录里面有两个文件:

第二个是结果文件，第一个文件可以看到所占空间为0，cat一下什么也没有，只是一个处理成功的标识。

以上就是Python写wordcount的具体步骤，如有错误 欢迎指正！